久久久久精品免费福利电影,国产又黄又大又粗视频,A级毛片免费播放无码,人人妻人人爽人人澡欧美一区

觀察者網：物聯網能采集到的信息，模態是非常豐富的，有物理上的聲、光、熱、電信息，還有各種化學、生物、地理信息。因為我們生活的場景本身就是多模態的環境。過去AI只能解決一些標準化的問題，比如人和車的識別。而通過大模型，這些沉睡的多模態數據如果盤活，是否意味著，未來更多復雜業務都有可能落地實現了？能設想幾個過去還難以想象的案例嗎？

李聰廷：我覺得未來肯定會有一些復雜的業務會被實現。例如，GPT-4舉的例子非常典型，它可以理解“VGA端子插入手機充電口的笑話”，這在過去是無法做到的。我們可以通過大量的訓練學習，識別VGA端子、識別手機，但我們很難具有“VGA不能插入手機”這樣的常識。大模型的理解力非常驚人，意味著過去一些技術難以實現的需求，可能被實現。

多模態，引入更多信息，這些信息的引入，在過去大部分時候是無效的，準確的說，是“無力”。因為過去，AI無法理解視頻中的內容，只是對視頻中的人和車的檢測識別，更不用說多模態的理解應用了。舉個例子，跌倒檢測，躺在地上的人，和靠墻站的人，在相機畫面中，通過人本身是很難區分的。他們都是頭朝上，腳朝下。但引入大模型技術后，我們可以通過結合判斷周圍環境如桌椅的擺放等，區分人是躺在地上還是靠墻站。多模態引入更多信息，意味這將來能實現更復雜的AI需求，精度更高。

觀察者網：因為各種安全和隱私保密限制，物聯網數據不像互聯網數據那樣容易公開獲取，要喚醒沉睡的行業數據，讓越來越多的公司張開懷抱去擁抱人工智能，目前在頂層設計上還要解決哪些問題？

李聰廷：首先，合法合規是所有商業和產品落地的前提。頂層設計上，國家、國際上都出臺了相應的數據安全保護法律。

第二，數據隱私是有分級的，像人、車牌等信息是高度涉密的，廠商不能輕易獲取、留存。但有一些數據，如行為動作類、物體識別類、缺陷檢測了，在經過合規評估后，是可以進行使用和訓練學習的。

第三，我們前面提到的梧桐行業大模型，他本身是開放能力的。對于設計安全和隱私的場景，我們會交給客戶自己去定義算法，數據在客戶自己手上，我們只是提供能力。

觀察者網：物聯網的另一個特點是邊緣的算力有限制，計算放在云端又有時延，這會制約AIoT+多模態大模型嗎？最后會撮合出不那么大，但更適合行業的“大模型”嗎？

李聰廷：現階段，云邊端都有大量AI落地，分工上，普通的AI任務在邊和端落地為主，這樣做更經濟；一些復雜的AI任務在數據中心側落地。

AIoT行業目前大多數AI應用的時延在可接受范圍內。隨著AI算力的提升，時延會越來越小。

AIGC大模型一開始在數據中心側落地為主，加上本身計算量比較大，一定程度上會加大這個時延。這個時延大部分場景是可接受的，畢竟不是自動駕駛這類對時延極其敏感的場景。

另一方面，行業大模型的參數量沒有通用大模型的參數量那么大，在邊緣側的部署應該很快就會到來。時延會比數據中心側進一步降低一些。

總的來說，時延在AIoT行業應用，絕大多數場景，不是關鍵問題。

觀察者網：您預計一下邊側是要全部升級改造嗎？

李聰廷：從長線看，一定會升級，全部換代掉。但周期不是一蹴而就的，因為AIoT行業是比較碎片化的，它的款型都是有幾千款甚至上萬款，這個周期我覺得會非常像上一個12年到22年這樣的10年周期，像深度學習對行業的第一次變革那樣。預計10年后，幾乎所有的AIoT產品都或多或少用了AIGC行業大模型的能力或技術。

觀察者網：現在各家都在宣傳模型的參數量，特別是語言模型，從AIoT行業的應用落地看，模型的參數量是越大越好嗎？

李聰廷：這需要結合場景和應用來看。傳統的人、機、非檢測識別，周界類行為分析，小模型已經做的非常成熟了，夠用了，短期內使用大模型必要性不大。對于其它長尾AI需求，大模型很有意義。但大模型也不是參數量越大越好，AIoT行業用自己的行業大模型就好了，參數量幾十億規模，不需要通用大模型動輒上千億參數規模。最終，還是效果為王，不是參數量越大越好。另外，產業落地，成本始終是一個重要因素，要結合成本去定義產品和應用。

觀察者網：如果你們去選不同的大模型底座，去接入，那么你們會用什么角度來評判和選擇？

李聰廷：結果說話、實驗數據說話。現在的“千模大戰”，整個環境比較亂，大家很難看清真相。原創的通用大模型主要還是掌握在少量的科技巨頭手里，前面也提到，算力、算法和數據的門檻很高，絕大多數企業無法企及。因此，也有不少企業是做行業大模型，構建在通用大模型之上。宇視是AIoT行業最早提出并發布行業大模型的廠商。當然，也有一些可能是基于插件或開源模型做應用的。不管哪種模式，最終都是以誰能提供最優的產品和服務，誰能最先落地為考量項。

觀察者網：在AI的應用落地中，容錯率是一個關鍵考量。車輛識別假如說我們做到99%的正確率可以接受，技術上也能成立，那么落地就比較容易。AI幫我們聽寫一篇文章，再生成大綱，可能80%的正確率用戶就比較能接受，而在80%這一檔的潛在應用可能不少，許多事情能夠替代最繁瑣機械的一部分，用戶可能會接受20%的錯誤率，因為檢查出這些錯誤額外投入的精力依然是劃算的。而80%在技術上會大大增加可行性。互聯網的思維一直是找到更多這樣的應用場景，讓技術先用起來，在使用中迭代改善體驗，但物聯網的容錯率一直是很嚴苛的，很難用這種思路落地。AIGC+AIoT產生的新生態，能改變這種局面嗎？

李聰廷：很好的問題。精度越高越好，這個沒問題。但并不意味著，只有99%甚至更高的精度才能落地、才能商業化。很多場景，AI作為人工的輔助工具、效率的提升工具，也是很有意義，也可以商業變現。特別在我們這個AIoT行業，很多場景對精度的要求沒有那么高，不像自動駕駛應用那么的苛刻。當然，精度太低也不行，那就不是效率提升工具，而是一個制造麻煩的工具。

技術提升，一是效率提升，二是創造更多商業機會。回顧車牌識別應用，早期在交通違法上應用，哪怕只有30%的違法捕獲率，對交警人工現場執法來說也是巨大的效率提升。后來，園區和商場出入口得到應用，識別率98%，已經很高了，但是仍然離不開人工，因為每100輛車就有2輛車需要人工處理異常。而今天，識別率已經可以做到99.9%，很多出入口場景已經是無人值守了，偶爾幾起異常通過遠程呼叫可以解決。這是效率提升。從商業機會來說，以前沒有出入口產品、解決方案、配套運維、服務等，是因為AI車牌識別這個工具的出現，創造了這個市場。

AIGC大模型技術也不例外，工具的提升，帶來效率的提升，進而創造更多的商機。

本文系觀察者網獨家稿件，文章內容純屬作者個人觀點，不代表平臺觀點，未經授權，不得轉載，否則將追究法律責任。關注觀察者網微信guanchacn，每日閱讀趣味文章。